这取决于您使用什么数据来计算项目之间的相似性。

如果您使用来自用户与项目交互的数据（例如查看网页或购买项目），那么每次用户与项目交互时，它与其他项目之间的相似性都会发生变化。如果您是离线进行此计算，那么您的模型将不会考虑该更改，直到下一次更新数据集并重新计算您的建议。

但是，如果您使用项目元数据来计算相似度，那么用户行为不会产生任何影响。例如，如果您获取两个项目之间共享标签的数量，或者共享入站链接的数量等。

我一直使用用户浏览数据来构建内容推荐引擎，但当然可以通过多种不同的方式计算相似度。玩得开心！

您所要求的通常称为篮子分析。

我认为你应该通过同时使用它们来从你拥有的数据中获得最大价值：用户和项目。

您所说的“基于项目”的方法是指基于项目标签或类别的推荐。它不是完全意义上的推荐系统，因为它使用您的分类/标记。换句话说，您永远不会将尿布和啤酒归为一个类别，但这仍然是传说中的购买模式:)。

基于项目的数据通常用于篮子分析算法，例如频繁模式挖掘。简而言之：您搜索最常见的项目集（一起或连贯购买的项目）并根据它们提出建议。

基于用户的数据也不应该被忽视。聚类方法在这里有效：您可以找到一些对项目集（如上所示）的购买态度与平均水平不同的客户群体。

您可以在统计堆栈交换站点找到更多信息。诸如此类的问题。还有更多。

当然，正如@LaruiK 所说。

您已经注意到会改变“共同视图”数据的相似性度量的因素，这是一种将时间衰减函数集成到模型中的简单方法。